2016年12月25日 · We introduce YOLO9000, a state-of-the-art, real-time object detection system that can detect over 9000 object categories. First we propose various improvements to the YOLO detection method, both novel and drawn from prior work. The improved model, YOLOv2, is state-of-the-art on standard detection tasks like PASCAL VOC and COCO.

2023年5月19日 · YOLOv2在YOLO的基础上进行了改进，如批量归一化、高分辨率分类器、带锚框的卷积等，提升了定位和召回率。 YOLO9000通过联合训练和WordTree方法，能同时检测超过9000个类别，实现了检测和分类数据集的融合。 文章强调了多尺度训练的重要性，并介绍了如何通过维度聚类和直接位置预测优化模型性能。 摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， …

相较于上一代的YOLOv1，YOLOv2在其基础之上做了大量的改进和优化，不仅仅是对模型本身做了优化，同时还引入了由Faster R-CNN工作提出的anchor box机制，并且使用了 kmeans聚类 方法来获得更好的anchor box，边界框的回归方法也因此做了调整。 在 VOC2007 数据集上，YOLOv2超越了同年发表在ECCV会议上的SSD工作，是那个年代当之无愧的最强目标检测器之一。 那么，接下来就让我们去看看YOLOv2究竟做了哪些改进吧。

2025年3月28日 · 他们的目标明确：在保持YOLO家族核心速度优势的同时，显著提升检测精度和召回率，让YOLO变得“更好（Better）、更快（Faster）、更强（Stronger）”。 ... 这一改进带来了超过2%的mAP提升，并且使得他们可以移除Dropout而不会过拟合。

2024年9月24日 · YOLOv2定义了一个复合损失函数，用于同时优化定位和分类误差。 YOLOv2的损失函数主要由三部分组成，分别是边界框坐标损失、目标置信度损失和分类损失。 这些损失函数共同用于衡量模型的预测与真实标签之间的差异，并通过反向传播算法来优化模型参数。 下面是对每个部分的详细介绍： 边界框坐标损失（Bounding Box Coordinates Loss）： (YOLOv2使用平方误差损失（Mean Squared Error，MSE）来衡量预测边界框的坐标与真实边界框坐标之间的 …

YOLO 2相比YOLO，提高了速度和准确率，基于darknet-19模型，除去完全连接层，用了边框聚类，两层组合，采用图像多分辨率的训练。 YOLO 9000可以利用无边框的数据和有边框的数据一起来实现9418类的监测。

2024年1月14日 · 本文详细解析了YOLO-V2算法的改进，包括添加BN层提高稳定性、使用高分辨率主干网络、引入AnchorBox机制、全卷积网络结构、新的主干网络DarkNet19、k-means聚类调整先验框、改进边界框预测和passthrough层的引入。 多尺度训练技巧也显著提升了性能。 摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 > YOLO-V1以完全 端到端 的模式实现达到实时水平的目标检测。 但是，YOLO-V1为追求速度而牺牲了部分检测精度，在检测速度广受 …

YOLOv2, or YOLO9000, is a single-stage real-time object detection model. It improves upon YOLOv1 in several ways, including the use of Darknet-19 as a backbone, batch normalization, use of a high-resolution classifier, and the use of anchor …

YOLOv2共提出了几种改进策略来提升YOLO模型的定位准确度和召回率，从而提高mAP，YOLOv2在改进中遵循一个原则：保持检测速度，这也是YOLO模型的一大优势。 YOLOv2的改进策略如图2所示，可以看出，大部分的改进方法都可以比较显著提升模型的mAP。 下面详细介绍各个改进策略。 Batch Normalization可以提升模型收敛速度，而且可以起到一定正则化效果，降低模型的过拟合。 在YOLOv2中，每个卷积层后面都添加了Batch Normalization …

YOLO v2 is faster than two-stage deep learning object detectors, such as regions with convolutional neural networks (Faster R-CNNs). The YOLO v2 model runs a deep learning CNN on an input image to produce network predictions. The object detector decodes the predictions and generates bounding boxes.